一种基于组合神经网络的数据分类方法

为了克服单一Kohonen网络和BP网络用于数据挖掘的缺点,提出了一种基于Kohonen和BP组合神经网络的数据分类方法,并给出了该分类方法的基本思想和算法描述.电力变压器故障诊断的仿真实验结果表明,利用该分类方法可以提高数据分类的精确性.     

一种基于神经网络的事例相似度评估方法

提出一种基于分布式神经网络的事例相似度评估的体系结构及实现方法,即通过输入新旧事物中特征之间的两两相似度,利用神经网络来确定新旧事例之间的综合相似度,以此来改善不良结构决策领域中基于事例推理系统的事例检索性能。     

一种基于区分矩阵的实值属性约简算法

通过粗糙集理论对一种实值属性约简算法进行了研究,给出了实值决策系统属性约简的算法,并采用UCI中的数据集进行分析,实验结果表明:该约简方法可以选择较少的属性而保持或改善分类能力.     

一种基于模糊VSM和神经网络的文本分类方法

针对文本自动分类时可能存在一个文本属于多类的问题,提出了一种基于模糊向量空间模型和神经网络的文本自动分类方法。该方法采用模糊集理论,把特征项在文档中出现的位置作为反映文档主题的重要程度（隶属度）,并在特征提取时充分考虑该位置信息,从而构造出模糊特征向量,使文本分类更接近手工分类方法。建立的网络由输入层、隐含层和输出层组成,其中输入层完成分类样本的输入,隐含层提取输入样本所隐含的模式特征,输出层用于输出分类结果。实验部分以万方数据库中部分文档数据为例验证了该方法的有效性。     

一种基于神经网络的事例相似度评估方法

提出一种基于分布式神经网络的事例相似度评估的体系结构及实现方法 ,即通过输入新旧事例中特征之间的两两相似度 ,利用神经网络来确定新旧事例之间的综合相似度 ,以此来改善不良结构决策领域中基于事例推理系统的事例检索性能     

一种基于相容信息粒原理的图像分类方法

首先,通过分析研究相容信息粒和相容粒度空间,提出了一种基于相容粒度空间的多层次规则产生方法;其次分析研究多层次图像特征并生成相应的图像特征信息粒,构建了图像相容粒度空间;再次,将相容信息粒的多层次规则产生方法应用于图像相容粒度空间中实现图像的分类;最后对图像数据集进行了测试,并与其他方法进行了对比.测试和对比结果说明了所提出的方法是可行的和有效的.     

二进制粒神经网络及其在分类中的应用

为了提高分类器的正确识别率并降低特征选择的时间复杂度, 提出二进制粒神经网络框架.在该框架下,提出一种二进制粒神经网络分类算法.该算法通过二进制粒矩阵将特征空间进行最优约简,并利用基于BP的学习算法实现分类;将该算法在UCI数据集上进行测试,并与BP神经网络分类算法进行比较.仿真实验表明,二进制粒神经网络分类算法比BP神经网络分类算法分类正确率更高,泛化能力更强,是一种有效可行的分类算法.     

基于残差全连接神经网络的电力监控系统异常行为检测方法

为了提升电力监控系统异常行为检测能力,提出了一种基于残差全连接神经网络的电力监控系统异常行为检测方法.将深度学习模型与半监督学习方法相结合,构建了两级残差全连接神经网络,并将其作为核心分类模型.选取训练样本特征子空间、有标记训练样本子集、残差全连接层层数的多种不同组合,采用混合扰动的方法生成具有差异性的成员分类器.基于成员分类器的分类误差率,通过加权多数表决对无标记样本数据进行增量学习,生成分类识别能力较强的集成分类器.实验结果表明,在同等标记数据规模下,所提方法的检测准确率和模型训练收敛速度均优于现有方法,可快速、准确识别电力监控系统异常行为,同时降低了对训练样本数据进行标记的开销.     

一种用于视觉颜色特征分类的脉冲神经网络

针对脉冲神经网络(SNNs)在视觉颜色特征分类领域精度不高的问题,提出了一种基于新型RGB-HSV预处理模型的高精度脉冲神经网络。该脉冲神经网络融合了RGB颜色通道简单和HSV色彩空间直观的特点来提取聚类色彩特征,增强了网络的识别能力。此外,在Tempotron有监督学习基础上提出了一种结合权值动量的训练方式,该方式在计算当前权值更新量的同时保留一定程度的上次权值更新量,加快了网络权值的收敛速度,节省了仿真时间。仿真实验结果表明,所设计的脉冲神经网络的分类精度高达96.21%,且在6次训练迭代后精度仍可达84%左右。     

邻域系统的一种粒化方法及应用

邻域系统是一类具有兼容性与应用性的系统,关于它的粒化一般采用相似度加阈值的方法.基于该方法在阈值确定上的主观性以及不确定计算上结果复杂性,提出一种模糊聚类加统计量的方法,该方法在计算上不仅仍保留Pawlak粗糙集系统一些不确定性度量性质,而且在阈值的确定上更为客观;最后示例说明了该方法的有效性.     

基于粒计算的融合性贴近度方法

在粒计算的基础上,将粒进行了形式化表示,详细地讨论了粒如何进行度量,进一步对粒在相似度度量方面加以阐述.对不同的事物相同标准和相同事物不同度量标准这两种情况的相似度度量进行探讨,并提出了一种新的基于粒计算的融合性贴近度方法对不同相似性度量方法进行了统一,减少了中间过程,避免了标准不同不能进行比较的问题.     

一种利用模糊神经网络对癌症进行分类的方法

讨论了一类首先利用神经网络对各个特征进行学习，得到它们对癌症的隶属函数，然后再利用模糊神经网络对癌症进行分类的方法。实现了癌症检测和分类的自动化，使癌症检测和分类的正确率得到很大提高。     

基于神经网络的5种音频分类

本文将音频信号的MFCC参数作为特征向量,并使用前馈型神经网络对语音、音乐、语音＋音乐、环境音响、静音5类音频进行分类,取得了平均92％的正确率。     

一种新的结构特征全参考图像质量评价方法

提出一种基于单演信号理论提取结构特征的全参考图像质量评价方法。方法首先利用单演信号理论将图像分解为幅值、方向和相位3个特征分量,构造单演相位一致映射图和特征分量相似度比较函数;然后对相位一致映射图进行Riesz变换,其变换后的一阶、二阶系数作为结构特征相似度比较函数,最后将单演信号的特征分量和结构特征相似度比较函数归一化加权计算得出最终的图像质量评价值。实验结果表明,由于单演相位一致具有较好的抗噪声能力,特征分量和结构特征相似度更加全面考虑到对于人眼感知图像结构的重要性,因此评价结果与图像主观质量评价具有较好的一致性。     

一种无特征提取的自然场景图像分类新方法

提出了一种新的基于部分连接神经网络的自然场景图像分类方法.运用该方法对图像进行模式识别时,不必进行特征提取,而是将整个图像输入神经网络,由神经网络在训练中透明地选择和识别特征.由于大型图形处理器(GPU)并行处理系统的运用,使得神经网络演化速度大大加快,弥补了该方法计算量大的弱点.实验结果表明,利用部分连接神经网络进行场景图像分类,与利用特征提取后再识别场景的分类方法比较,在总识别率上大体相当;但不必进行特征提取,而且速度很快.并且,还运用了插值和延拓两种方法来对图像进行尺寸调整,使得神经网络可以训练和识别不同大小的场景图像.     

股市变化模式分类的两种神经网络方法

本文运用神经网络的学习联想能力，提出了对股市变化模式的两种分类方法，一定程度上弥补了传统技术的不足，为进一步进行股市预测提供了帮助。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

金相图象分析中一种改进的断点连接方法

介绍了两种常用的断点连接方法：膨胀细化法和最小点对法，并在此基础上提出了一种改进的断点连接方法。这种方法是先做膨胀，利用膨胀的结果找到两个断点之间的连接点，然后再将该连接点与两个断点相连。该方法既可避免边界的变形，又能减少断点间的误连，特别是在断点距离较大时，所得结果优于上述两种方法。     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进，提出了基于二阶导数的ＢＰ算法，大大减少了样本训练的迭代数，从而提高了网络运算速度，对异或问题和蜢虫分类问题的计算，取得了满意的效果。     

基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。